Python数据分析、挖掘常用工具[亲测有效]

文章最后有免费的Python资料，获取方式，关注头条号，私信回复资料获取下载链接。资料目录在文章底部，欢迎评论转发收藏下载。

Python语言

简要概括一下Python语言在数据分析、挖掘场景中常用特性：

1.列表（可以被修改），元组（不可以被修改）

2.字典（<k,v>结构）

3.集合（同数学概念上的集合）

4.函数式编程（主要由lambda()、map()、reduce()、filter()构成）

Python数据分析常用库

Python数据挖掘相关扩展库

NumPy

提供真正的数组，相比Python内置列表来说速度更快，NumPy也是Scipy、Matplotlib、Pandas等库的依赖库，内置函数处理数据速度是C语言级别的，因此使用中应尽量使用内置函数。

示例：NumPy基本操作

import numpy as np # 一般以np为别名
a = np.array([2, 0, 1, 5])
print(a)
print(a[:3])
print(a.min())
a.sort() # a被覆盖
print(a)
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b*b)

欢迎大家来到IT世界,在知识的湖畔探索吧!

输出：

欢迎大家来到IT世界,在知识的湖畔探索吧![2 0 1 5]
[2 0 1]
0
[0 1 2 5]
[[ 1 4 9]
 [16 25 36]]

Scipy

NumPy和Scipy让Python有了MATLAB味道。Scipy依赖于NumPy，NumPy提供了多维数组功能，但只是一般的数组并不是矩阵。比如两个数组相乘时，只是对应元素相乘。Scipy提供了真正的矩阵，以及大量基于矩阵运算的对象与函数。

Scipy包含功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理、图像处理、常微分方程求解等常用计算。

示例：Scipy求解非线性方程组和数值积分

# 求解方程组
from scipy.optimize import fsolve
def f(x):
 x1 = x[0]
 x2 = x[1]
 return [2 * x1 - x2 ** 2 - 1, x1 ** 2 - x2 - 2]
result = fsolve(f, [1, 1])
print(result)
# 积分
from scipy import integrate
def g(x): # 定义被积函数
 return (1 - x ** 2) ** 0.5
pi_2, err = integrate.quad(g, -1, 1) # 输出积分结果和误差
print(pi_2 * 2, err)

输出：

欢迎大家来到IT世界,在知识的湖畔探索吧![ 1.91963957 1.68501606]
3.141592653589797 1.0002356720661965e-09

Matplotlib

Python中著名的绘图库，主要用于二维绘图，也可以进行简单的三维绘图。

示例：Matplotlib绘图基本操作

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 10000) # 自变量x，10000为点的个数
y = np.sin(x) + 1 # 因变量y
z = np.cos(x ** 2) + 1 # 因变量z
plt.figure(figsize=(8, 4)) # 设置图像大小
# plt.rcParams['font.sans-serif'] = 'SimHei' # 标签若有中文，则需设置字体
# plt.rcParams['axes.unicode_minus'] = False # 保存图像时若负号显示不正常，则添加该句
# 两条曲线
plt.plot(x, y, label='$\sin (x+1)